CN116894494A - 一种变分量子电路的优化方法、装置、介质及电子装置 - Google Patents

一种变分量子电路的优化方法、装置、介质及电子装置 Download PDF

Info

Publication number
CN116894494A
CN116894494A CN202310792387.8A CN202310792387A CN116894494A CN 116894494 A CN116894494 A CN 116894494A CN 202310792387 A CN202310792387 A CN 202310792387A CN 116894494 A CN116894494 A CN 116894494A
Authority
CN
China
Prior art keywords
circuit
quantum
data set
variable
component sub
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202310792387.8A
Other languages
English (en)
Inventor
窦猛汉
请求不公布姓名
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Benyuan Quantum Computing Technology Hefei Co ltd
Original Assignee
Benyuan Quantum Computing Technology Hefei Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Benyuan Quantum Computing Technology Hefei Co ltd filed Critical Benyuan Quantum Computing Technology Hefei Co ltd
Priority to CN202310792387.8A priority Critical patent/CN116894494A/zh
Publication of CN116894494A publication Critical patent/CN116894494A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N10/00—Quantum computing, i.e. information processing based on quantum-mechanical phenomena
    • G06N10/20—Models of quantum computing, e.g. quantum circuits or universal quantum computers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/30—Circuit design
    • G06F30/39—Circuit design at the physical level
    • G06F30/398—Design verification or optimisation, e.g. using design rule check [DRC], layout versus schematics [LVS] or finite element methods [FEM]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Hardware Design (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computational Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Geometry (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请公开了一种变分量子电路的优化方法、装置、介质及电子装置，方法包括：获取输入的原始量子程序和原始数据集，所述原始量子程序包括变分量子电路，所述变分量子电路具有可变参数；基于所述变分量子电路确定待复制量子电路，以及基于所述可变参数和所述原始数据集确定优化数据集，所述优化数据集包括N条优化数据；将所述待复制量子电路复制N个，得到N个所述待复制量子电路，每个所述待复制量子电路对应输入一条所述优化数据；运行N个所述待复制量子电路，得到运行结果；以及基于所述运行结果优化所述变分量子电路。可提高变分量子电路的优化速度。

Description

一种变分量子电路的优化方法、装置、介质及电子装置
技术领域
本申请属于量子计算技术领域，特别是一种变分量子电路的优化方法、装置、介质及电子装置。
背景技术
量子计算机是一类遵循量子力学规律进行高速数学和逻辑运算、存储及处理量子信息的物理装置。当某个装置处理和计算的是量子信息，运行的是量子算法时，它就是量子计算机。量子计算机因其具有相对普通计算机更高效的处理数学问题的能力，例如，能将破解RSA密钥的时间从数百年加速到数小时，故成为一种正在研究中的关键技术。
变分量子电路是指由含参量子逻辑门组成的量子电路，通过优化这些量子逻辑门的参数，能够使变分量子电路更好地适应不同的问题，提高计算效率与准确性。现有的变分量子电路的优化方法借助经典计算机模拟变分量子电路的优化过程，需要重复构建电路与串行处理大批量数据，导致优化速度慢。
申请内容
本申请的目的是提供一种变分量子电路的优化方法、装置、介质及电子装置，旨在提高变分量子电路的优化速度。
本申请的一个实施例提供了一种变分量子电路的优化方法，所述方法包括：
获取输入的原始量子程序和原始数据集，所述原始量子程序包括变分量子电路，所述变分量子电路具有可变参数；
基于所述变分量子电路确定待复制量子电路，以及基于所述可变参数和所述原始数据集确定优化数据集，所述优化数据集包括N条优化数据；
将所述待复制量子电路复制N个，得到N个所述待复制量子电路，每个所述待复制量子电路对应输入一条所述优化数据；
运行N个所述待复制量子电路，得到运行结果；以及基于所述运行结果优化所述变分量子电路。
可选的，所述基于所述变分量子电路确定待复制量子电路，包括：
识别所述变分量子电路中的可变参数；
在所述变分量子电路中插入标识符，得到待复制量子电路，所述标识符表示所述可变参数及所述可变参数的索引。
可选的，所述原始数据集包括m条原始数据，所述基于所述可变参数和所述原始数据集确定优化数据集，包括：
在每条所述原始数据中加入所述可变参数，得到前向传播数据集，每条前向传播数据包括p个元素；
基于所述前向传播数据集确定p个反向传播数据集，每个所述反向传播数据集包括2m条反向传播数据，每条反向传播数据由其对应的前向传播数据中的一个元素加π/2或减π/2得到；
将所述前向传播数据集和p个所述反向传播数据集作为优化数据集，所述N＝(2p+1)m。
可选的，所述运行N个所述待复制量子电路之前，所述方法还包括：
基于N和计算节点数量确定每个计算节点待运行的所述待复制量子电路。
可选的，所述基于N和计算节点数量确定每个计算节点待运行的所述待复制量子电路，包括：
将第i个所述待复制量子电路分配至第i％k个计算节点上，以确定每个计算节点待运行的所述待复制量子电路，其中，％为取余运算，k是计算节点数量，i＝1，2，...，N。
可选的，所述运行N个所述待复制量子电路，包括：
在每个计算节点上运行每个计算节点对应的所述待复制量子电路。
可选的，所述基于所述运行结果优化所述变分量子电路，包括：
基于所述待复制量子电路对应所述前向传播数据集的运行结果和对应所述反向传播数据集的运行结果更新所述可变参数；
将更新得到的所述可变参数作为新的可变参数；
获取输入的新的原始数据集，以及返回执行步骤所述基于所述可变参数和所述原始数据集确定优化数据集；
在迭代更新预设次数或达到预设计算精度之后，得到优化好的可变参数，基于所述优化好的可变参数确定优化好的变分量子电路。
本申请的又一实施例提供了一种变分量子电路的优化装置，所述装置包括：
获取模块，用于获取输入的原始量子程序和原始数据集，所述原始量子程序包括变分量子电路，所述变分量子电路具有可变参数；
确定模块，用于基于所述变分量子电路确定待复制量子电路，以及基于所述可变参数和所述原始数据集确定优化数据集，所述优化数据集包括N条优化数据；
电路复制模块，用于将所述待复制量子电路复制N个，得到N个所述待复制量子电路，每个所述待复制量子电路对应输入一条所述优化数据；
运行与优化模块，用于运行N个所述待复制量子电路，得到运行结果；以及基于所述运行结果优化所述变分量子电路。
本申请的又一实施例提供了一种存储介质，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行上述任一项中所述的方法。
本申请的又一实施例提供了一种电子装置，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行上述任一项中所述的方法。
本申请借助经典计算机模拟变分量子电路的优化过程，实现了变分量子电路的预先编译，将预先编译好的变分量子电路复制至所需个数、并行处理优化过程中的大批量数据，节省了重复构建电路、运行电路所需要的大量冗余时间，大大提高了变分量子电路的优化速度。
附图说明
图1为本申请实施例提供的一种变分量子电路的优化方法的计算机终端的硬件结构框图；
图2为本申请实施例提供的一种变分量子电路的优化方法的流程示意图；
图3为本申请实施例提供的一种原始数据集的示例性示意图；
图4－a为本申请实施例提供的一种变分量子电路的示例性示意图；
图4－b为本申请实施例提供的一种待复制量子电路的示例性示意图；
图5为本申请实施例提供的一种前向传播数据集的示例性示意图；
图6－a为本申请实施例提供的一种第一反向传播数据集的示例性示意图；
图6－b为本申请实施例提供的一种第二反向传播数据集的示例性示意图；
图6－c为本申请实施例提供的一种第三反向传播数据集的示例性示意图；
图7为本申请实施例提供的另一种变分量子电路的优化方法的流程示意图；
图8为本申请实施例提供的一种变分量子电路的优化装置的结构示意图。
具体实施方式
下面通过参考附图描述的实施例是示例性的，仅用于解释本申请，而不能解释为对本申请的限制。
图1是本申请实施例提供的一种变分量子电路的优化系统的网络框图。变分量子电路的优化系统可以包括网络110、服务器120、无线设备130、客户机140、存储150、经典计算单元160、量子计算单元170，还可以包括未示出的附加存储器、经典处理器、量子处理器和其他设备。
网络110是用于为变分量子电路的优化系统内连接在一起的各种设备和计算机之间提供通信链路的介质，包括但不限于互联网、企业内部网、局域网、移动通信网及其组合，连接方式可以采用有线、无线通信链路或光纤电缆等。
服务器120、无线设备130和客户机140是常规的数据处理系统，可包含数据和具有执行常规计算过程的应用程序或软件工具。客户机140可以是个人计算机或网络计算机，故数据也可以是服务器120提供的。无线设备130可以是智能手机、平板、笔记本电脑、智能可穿戴设备等。存储单元150可以包括数据库151，其可以被配置为存储量子比特参数、量子逻辑门参数、量子电路、量子程序等数据。
经典计算单元160(量子计算单元170)可以包括用于处理经典数据(量子数据)的经典处理器161(量子处理器171)和用于存储经典数据(量子数据)的存储器162(存储器172)，经典数据(量子数据)可以是引导文件、操作系统镜像、以及应用程序163(应用程序173)，应用程序163(应用程序173)可以用于实现根据本申请实施例提供的变分量子电路的优化方法编译的量子算法。
经典计算单元160(量子计算单元170)中存储或产生的任何数据或信息也可以被配置成以类似的方式在另一个经典(量子)处理系统中存储或产生，同样其执行的任何应用程序也可以被配置成以类似的方式在另一个经典(量子)处理系统中执行。
需要说明的是，真正的量子计算机是混合结构的，它至少包括图1中的两大部分：经典计算单元160，负责执行经典计算与控制；量子计算单元170，负责运行量子程序进而实现量子计算。
上述经典计算单元160和量子计算单元170可以是集成在一台设备中，也可以是分布在两台不同的设备之中。例如包括经典计算单元160的第一设备运行经典计算机操作系统，其上提供了量子应用程序开发工具和服务，以及还提供了量子应用程序所需的存储和网络服务。用户通过其上的量子应用程序开发工具和服务开发量子程序，以及通过其上的网络服务将量子程序发送至包括量子计算单元170的第二设备。第二设备运行量子计算机操作系统，通过量子计算机操作系统对该量子程序的代码进行解析编译成量子处理器170可以识别和执行的指令，量子处理器170根据该指令实现量子程序对应的量子算法。
经典计算单元160中的经典处理器161的计算单元是基于硅芯片的CMOS管，这种计算单元不受时间和相干性的限制，即，这种计算单元是不受使用时长限制，随时可用。此外，在硅芯片中，这种计算单元的数量也是充足的，目前一个经典处理器161中的计算单元的数量是成千上万的，计算单元数量的充足且CMOS管可选择的计算逻辑是固定的，例如：与逻辑。借助CMOS管运算时，通过大量的CMOS管结合有限的逻辑功能，以实现运算效果。
量子计算单元170中量子处理器171的基本计算单元是量子比特，量子比特的输入受相干性的限制，也受相干时间的限制，即，量子比特是受使用时长限制的，并不是随时可用的。在量子比特的可用使用时长内充分使用量子比特是量子计算的关键性难题。此外，量子计算机中量子比特的数量是量子计算机性能的代表指标之一，每个量子比特通过按需配置的逻辑功能实现计算功能，鉴于量子比特数量受限，而量子计算领域的逻辑功能是多样化的，例如：哈德玛门(Hadamard门，H门)、泡利－X门(X门)、泡利－Y门(Y门)泡利－Z门(Z门)、X门、RY门、RZ门、CNOT门、CR门、iSWAP门、Toffoli门等等。量子计算时，需借助有限的量子比特结合多样的逻辑功能组合实现运算效果。
基于这些不同，经典逻辑功能作用在CMOS管的设计和量子逻辑功能作用在量子比特的设计是显著和本质不同的；经典逻辑功能作用在CMOS管的设计是不需要考虑CMOS管的个体性，如CMOS管在硅芯片中的表示是第几个CMOS管的个体标识、位置、每个CMOS管的可使用时长，故而经典逻辑功能组成的经典算法只表达算法的运算关系，不表达算法对CMOS管个体的依赖。
而量子逻辑功能作用在量子比特需要考虑量子比特的个体性，如量子比特在量子芯片中是第几个量子比特的个体标识、位置以及和周围量子比特的关系、以及每个量子比特可使用时长。故而量子逻辑功能组成的量子算法不仅表达算法的运算关系，更表达算法对量子比特个体的依赖。
示例性的：
量子算法一：H1、H2、CNOT(1，3)、H3、CNOT(2，3)；
量子算法二：H1、H2、CNOT(1，2)、H3、CNOT(2，3)；
其中，1/2/3分别表示三个依次相连的量子比特Q1、Q2、Q3或者相互连接的量子比特Q1、Q2、Q3；
量子算法受量子比特相干时间影响的示例性解释如下：
定义一个单量子比特逻辑门执行时长为t，1个作用在相邻比特上的两单量子比特逻辑门执行时间为2t；则：
当Q1、Q2、Q3三者彼此相互连接时，量子算法一的计算需要6t，分4个时间段进行，每个时间段需要的时长分别为t，2t，t，2t，每个时间段内执行的运算为：H1、H2；CNOT(1，3)；H3；CNOT(2，3)；
量子算法一的计算需要5t，分3个时间段进行，每个时间段需要的时长分别为t，2t，2t，每个时间段内执行的运算为：H1、H2、H3；CNOT(1，2)；CNOT(2，3)；
当Q1、Q2、Q3三者依次连接时，量子算法一需要等效为：H 1、H2；swap(1，2)、CNOT(2，3)、swap(1，2)；H3；CNOT(2，3)；等效后的量子算法一的计算需要10t，分4个时间段，每个时间段需要的时长分别为t，6t，t，2t。每个时间段内执行的运算为：H1、H2；swap(1，2)、CNOT(2，3)、swap(1，2)；H3；CNOT(2，3)。
因受限于量子设备硬件的发展，通常需要进行量子计算模拟以验证量子算法、量子应用等等。量子计算模拟即借助普通计算机的资源搭建的虚拟架构(即量子虚拟机)实现特定问题对应的量子程序的模拟运行的过程。通常，需要构建特定问题对应的量子程序。本申请实施例所指量子程序，即是经典语言编写的表征量子比特及其演化的程序，其中与量子计算相关的量子比特、量子逻辑门等等均有相应的经典代码表示。
量子电路作为量子程序的一种体现方式，也称量子逻辑电路，是最常用的通用量子计算模型，其组成包括量子比特、电路，以及各种量子逻辑门，最后常需要通过量子测量操作将结果读取出来。
变分量子电路则是由含参量子逻辑门组成的量子电路，当解决问题时，用变分量子电路表示问题的解空间，问题的变量则由量子逻辑门的参数表示，通过调节这些量子逻辑门的参数，构建出一个高度可调节的量子电路，使得该电路可以对输入数据进行不同方式的变换，从而应对各种不同的问题。不同于传统的量子电路，变分量子电路通过变分优化算法来寻找能够最小化问题损失的最优参数，从而获得问题的近似解。目前，采用量子计算模拟方法优化变分量子电路时，需要耗费大量时间，基于此，本申请提出了一种变分量子电路的优化方法及相关装置，旨在提高变分量子电路的优化速度。
参见图2，图2为本申请实施例提供的一种变分量子电路的优化方法的流程示意图，可以包括如下步骤：
S201，获取输入的原始量子程序和原始数据集，所述原始量子程序包括变分量子电路，所述变分量子电路具有可变参数；
所述原始量子程序，是指输入后、未经过进一步处理的量子程序。量子程序是指用于描述量子计算机操作的程序。它由一系列量子门操作组成，可以用来实现量子算法、量子模拟等应用。与传统计算机程序类似，量子程序也可以包含变量、条件语句、循环等控制结构，以及量子测量、量子态制备等基本操作，通常使用量子编程语言(如QRunes、Qiskit等)来编写，可以在量子计算机或量子虚拟机上运行。原始量子程序的具体形式将在下文中进行说明。
所述原始量子程序包括变分量子电路，是指原始量子程序的一部分代码包含有用于描述变分量子电路的指令，所述变分量子电路的性质已经在上文中进行说明，此处不再赘述。
变分量子电路中的可变参数，是指变分量子电路中含参量子逻辑门的参数，变分量子电路中的可变参数是可以被调整的变量，用于控制含参量子门的操作方式。这些参数可以是任意实数或复数值，通常用符号表示。通过调整含参量子门的参数，可以使含参量子门实现更高效、更准确的计算。
所述原始数据集，是指输入后、未经过进一步处理的数据集，用于优化变分量子电路。原始数据集中可以包括多条数据，每条数据中可以包括多个元素，为了以更清楚地呈现数据集中的内容，本申请将原始数据集表示成矩阵形式，矩阵中的每个一维行向量代表数据集中的一条数据。
参见图3，图3为本申请实施例提供的一种原始数据集的示例性示意图。图3所示原始数据集包括2条原始数据，分别是|X11 X12|、|X21 X22|，原始数据X11 X12|中包括元素X11、X12，原始数据|X21 X22|中包括元素X21、X22。数据中的元素可以为数值型元素、像素值型元素、文本词袋型元素等，本申请对数据中元素的性质不作具体限定，应根据实际需要进行选取。在本申请实施例中，数据中的元素为数值型元素。
输入的原始数据集可以是通过多种途径获取的，例如从公开的训练数据集中获取、使用计算机生成虚拟数据、使用传感器获取真实的测量数据等。
本申请对输入的原始量子程序及原始数据集的获取方法不作限制，应当根据实际需求进行设置。另外，本申请实施例提供的原始数据集包括的原始数据数量、原始数据中元素的数量，仅为方便说明而设置，在实际应用中，原始数据数量、原始数据中元素的数量可以为几百个、几千个等。
S202，基于所述变分量子电路确定待复制量子电路，以及基于所述可变参数和所述原始数据集确定优化数据集，所述优化数据集包括N条优化数据；
所述待复制量子电路，是指经过预编译后、可以用于处理优化数据的量子电路，所述量子电路的性质已经在上文中进行说明，此处不再赘述。待复制量子电路的具体形式以及基于变分量子电路确定待复制量子电路的方法将在下文中进行说明。
所述优化数据集，是指对原始数据集进行进一步处理后得到的数据集，优化数据集和优化数据的具体形式以及基于原始数据集确定优化数据集的方法将在下文中进行说明。
需要特别说明的是，本申请所称原始量子程序和待复制量子电路均属于借助普通计算机的资源搭建的虚拟架构实现的程序。
S203，将所述待复制量子电路复制N个，得到N个所述待复制量子电路，每个所述待复制量子电路对应输入一条所述优化数据；
所述复制，是指创建多个相同的待复制量子电路，具体来说，需要复制所述待复制量子电路中的指令，并初始化这些待复制量子电路。
所述每个所述待复制量子电路对应输入一条所述优化数据，是指将优化数据集中的每条优化数据分别输入至每个待复制量子电路中，每个待复制量子电路用于输入一条优化数据。
需要特别说明的是，将待复制量子电路分配至各个计算节点后、第一次将优化数据输入至所述待复制量子电路前，需要为优化数据中的各个可变参数设置初始值，初始值的设置方法应当按照实际需求选取。
S204，运行N个所述待复制量子电路，得到运行结果；以及基于所述运行结果优化所述变分量子电路。
所述运行结果是指待复制量子电路对应前向传播数据集的运行结果和对应反向传播数据集的运行结果，所述待复制量子电路对应前向传播数据集的运行结果和对应反向传播数据集的运行结果，以及运行N个待复制量子电路的具体方法将在下文中进行说明。
所述优化，是指通过调整变分量子电路中含参逻辑门的参数，使得量子电路能够输出最优的运行结果，例如最小化输出结果的能量或期望值，从而更好地实现特定的量子计算任务。基于运行结果优化变分量子电路的具体方法将在下文中进行说明。
在本申请的一个实施例中，所述基于所述变分量子电路确定待复制量子电路，包括：
识别所述变分量子电路中的可变参数；
在所述变分量子电路中插入标识符，得到待复制量子电路，所述标识符表示所述可变参数及所述可变参数的索引。
参见图4－a、图4－b，图4－a为本申请实施例提供的一种变分量子电路的示例性示意图，图4－b为本申请实施例提供的一种待复制量子电路的示例性示意图。图4－a所示的变分量子电路包括3个量子比特，分别为q[0]、q[1]、q[2]；作用于q[1]和q[2]上的第一CX门包括可变参数a1；作用于q[0]和q[2]上的第二CX门包括可变参数a2、第三CX门包括可变参数a3；作用于q[0]和q[1]上的CR门包括可变参数a4；可变参数a1、a2、a3的取值均为－3.141593，可变参数a4的取值为－1.570796，需要特别说明的是，所述可变参数a1、a2、a3、a4的取值对本申请实施例提供的方法均无影响。
图4－b为基于图4－a所示的变分量子电路确定的待复制量子电路。图4－b所示的待复制量子电路包括插入的标识符Var[0]、Var[1]、Var[2]、Var[3]，其中，标识符Var[0]用于表示可变参数a1及其索引，标识符Var[1]用于表示可变参数a3及其索引，标识符Var[2]用于表示可变参数a2及其索引，标识符Var[3]用于表示可变参数a4及其索引。将图4－a所示的变分量子电路中的可变参数a1、a2、a3、a4分别用标识符Var[0]、Var[2]、Var[1]、Var[3]替换，即可得到图4－b所示的待复制量子电路。Var[0]、Var[1]、Var[2]、Var[3]中的数字0、1、2、3用于表示待复制量子电路中含参量子逻辑门作用于量子比特的先后顺序，其中，待复制量子电路中含参量子逻辑门按照以下顺序作用于量子比特上：与标识符Var[0]对应的第一CX门、与标识符Var[1]对应的第三CX门、与标识符Var[2]对应的第二CX门、与标识符Var[3]对应的CR门。
需要特别说明的是，所述标识符的具体形式应当按照实际要求确定，本申请实施例提供的标识符Var[0]、Var[1]、Var[2]、Var[3]仅为可供选择的示例标识符，所述可变参数的索引也应按照实际要求进行设置，本申请对此不作具体限定。另外，本申请实施例提供的变分量子电路包括的可变参数数量仅为方便说明而设置，在实际应用中，可变参数的数量可以为几十个、几百个等。
本申请在变分量子电路中插入标识符，使用标识符表示可变参数和可变参数的索引，得到待复制量子电路，该待复制量子电路不保留变分量子电路中的数值，仅保存了变分量子电路的电路结构和计算方式，运行电路时，不再需要重复构建电路，节省了重复构建电路的大量时间，大大提高了变分量子电路的优化速度。
在本申请的一个实施例中，所述原始数据集包括m条原始数据，所述基于所述可变参数和所述原始数据集确定优化数据集，包括：
在每条所述原始数据中加入所述可变参数，得到前向传播数据集，每条前向传播数据包括p个元素；
基于所述前向传播数据集确定p个反向传播数据集，每个所述反向传播数据集包括2m条反向传播数据，每条反向传播数据由其对应的前向传播数据中的一个元素加π/2或减π/2得到；
将所述前向传播数据集和p个所述反向传播数据集作为优化数据集，所述N＝(2p+1)m。
前向传播是神经网络中的一种计算方式，在前向传播中，神经网络的输入数据通过一系列的权重和偏置值的运算，逐层传递到下一层神经元中，最终得到输出结果。
反向传播是神经网络中的另一种计算方式，它是一种基于链式法则的微分算法，通过计算神经网络中每个参数对误差的影响，从而确定参数的梯度，进而更新模型参数。通过反向传播算法，可以通过大量的训练数据来更新神经网络的参数，从而提高神经网络的性能。
前向传播数据集中的前向传播数据为用于进行前向传播计算的数据，反向传播数据集中的反向传播数据为用于进行反向传播计算的数据，具体的计算过程将在下文中进行介绍。
参见图5，图5为本申请实施例提供的一种前向传播数据集的示例性示意图。图5所示的前向传播数据集是基于图3所示的原始数据集确定的，图3所示的原始数据集包括2条原始数据，m的取值为2，变分量子电路的可变参数为W1、W2。在每条原始数据中加入可变参数，得到前向传播数据集的方法如下：在原始数据集中的原始数据|X11 X12|中加入可变参数W1、W2，得到前向传播数据|X11 X12 W1 W2|，前向传播数据|X11 X12 W1 W2|包括4个元素X11、X12、W1、W2；在原始数据|X21 X22|中加入可变参数W1、W2，得到前向传播数据X21 X22 W1 W2|，前向传播数据|X21 X22 W1 W2|包括4个元素X21、X22、W1、W2；将前向传播数据|X11 X12 W1 W2|和前向传播数据|X21 X22 W1 W2|组合起来，得到图5所示的前向传播数据集。
需要特别说明的是，参数W1、W2并非图4－a所示的变分量子电路中的可变参数，但其识别方式与参数a1、a2、a3、a4的识别方式相同。
在本申请提供的一个实施例中，由于图5所示的前向传播数据集中包括4条前向传播数据，p的取值为4，因此基于图5所示的前向传播数据集，可以确定4个反向传播数据集，分别为第一反向传播数据集、第二反向传播数据集、第三反向传播数据集、第四反向传播数据集。
参见图6－a，图6－a为本申请实施例提供的一种第一反向传播数据集的示例性示意图。图6－a所示的第一反向传播数据集是基于图5所示的前向传播数据集确定的，基于前向传播数据集确定第一反向传播数据集的方法如下：将前向传播数据|X11 X12 W1 W2|中的元素X11加π/2，得到第一反向传播数据将前向传播数据|X21X22 W1 W2|中的元素X21加π/2，得到第一反向传播数据/>将前向传播数据|X11X12W1 W2|中的元素X11减π/2，得到第一反向传播数据/>将前向传播数据X21 X22 W1 W2|中的元素x21减π/2，得到第一反向传播数据/>将第一反向传播数据/>第一反向传播数据/>第一反向传播数据/>第一反向传播数据/>组合起来，得到图6－a所示的反向传播数据集，图X所示的反向传播数据集包括4条第一反向传播数据。
参见图6－b，图6－b为本申请实施例提供的一种第二反向传播数据集的示例性示意图。图6－b所示的第二反向传播数据集与图6－a所示的第一反向传播数据集具有相似的结构，区别在于：图6－b所示的第二反向传播数据集中的每条第二反向传播数据由图6－a所示的前向传播数据集中前向传播数据的元素X12、X22加π/2或减π/2得到。图6－b所示的第二反向传播数据集包括4条第二反向传播数据。
参见图6－c，图6－c为本申请实施例提供的一种第三反向传播数据集的示例性示意图。图6－c所示的第三反向传播数据集与图6－b所示的第二反向传播数据集具有相似的结构，区别在于：图6－c所示的第三反向传播数据集中的每条第三反向传播数据由图6－a所示的前向传播数据集中前向传播数据的元素W1加π/2或减π/2得到。图6－c所示的第三反向传播数据集包括4条第三反向传播数据。
第四反向传播数据集具有与图6－c所示的第三反向传播数据集相似的结构，区别在于：第四反向传播数据集中的每条第四反向传播数据由图6－a所示的前向传播数据集中前向传播数据的元素W2加π/2或减π/2得到。第四反向传播数据集包括4条第四反向传播数据。
将图5所示的前向传播数据集、图6－a所示的第一反向传播数据集、图6－b所示的第二反向传播数据集、图6－c所示的第三反向传播数据集以及第四反向传播数据集作为基于所述原始数据集确定的优化数据集。优化数据集中的优化数据包括18条数据，N的取值为18，所述18条数据包括：与前向传播数据集中的2条前向传播数据对应的2条优化数据、与第一反向传播数据集中的4条第一反向传播数据对应的4条优化数据、与第二反向传播数据集中的4条第二反向传播数据对应的4条优化数据、与第三反向传播数据集中的4条第三反向传播数据对应的4条优化数据、与第四反向传播数据集中的4条第四反向传播数据对应的4条优化数据。在本申请实施例中，m＝2，p＝4，因此N＝(2p+1)m＝18。
本申请对原始数据进行预处理，得到包含原始数据和可变参数的前向传播数据，并将原始数据中的元素和可变参数加π/2或减π/2，得到对应的反向传播数据，每次更新参数时，只需要将前向传播数据和反向传播数据对应的优化数据输入至待复制量子电路中与标识符对应的逻辑门，运行一次电路，就可以得到更新所需的全部运行结果，使用并行方式一次性处理大批量数据，节省了重复输入数据、运行电路所需的大量时间，有效地提高了变分量子电路的优化速度。
在本申请的一个实施例中，所述运行N个所述待复制量子电路之前，所述方法还包括：
基于N和计算节点数量确定每个计算节点待运行的所述待复制量子电路。
所述计算节点，是指在计算集群中用于执行计算任务的服务器或计算机，计算节点包含微处理器、内存和以太网控制器等组件，用于运行特定的操作系统和软件，以便使得多个计算节点能够协同工作，共同完成大规模计算任务。
所述基于N和计算节点数量确定每个计算节点待运行的待复制量子电路的方法，将在下文中进行说明。
在本申请的一个实施例中，所述基于N和计算节点数量确定每个计算节点待运行的所述待复制量子电路，包括：
将第i个所述待复制量子电路分配至第i％k个计算节点上，以确定每个计算节点待运行的所述待复制量子电路，其中，％为取余运算，k是计算节点数量，i＝1，2，...，N。
所述分配，是指使用作业调度器或集群管理软件，根据既定的要求选择合适的计算节点，并将这些计算节点指定为任务或作业的运行节点。本申请实施例中，所述任务或作业包括待复制量子电路，
取余运算(Modulo Operation)是指对给定的两个数进行除法运算后，返回除法的余数。取余运算通常使用符号“％”表示，例如，当k的取值为3，i的取值为10时，取余运算10％3的计算结果为1，则将第10个所述待复制量子电路分配至第1个计算节点上。
需要特别说明的是，当被除数小于除数时，取余运算的结果为被除数本身，例如，当k的取值为3，i的取值为2时，取余运算2％3的计算结果为2，则将第2个所述待复制量子电路分配至第2个计算节点上。另外，所述将第i个待复制量子电路分配至第i％k个计算节点上，是指将第1个、第2个……第N个所述待复制量子电路均复制到对应的计算节点上，而非仅仅将N个待复制量子电路中的某一个待复制量子电路分配到某一个计算节点上。
在本申请的一个实施例中，所述运行N个所述待复制量子电路，包括：
在每个计算节点上运行每个计算节点对应的所述待复制量子电路。
本申请将待复制量子电路分配到多个计算节点上，并行运行这些计算节点上的量子电路，使得每一个计算节点上的计算机或服务器能够独立地处理一部分优化数据，实现了计算资源的合理利用，提高了电路运行的效率，从而提高了变分量子电路的优化速度。
在本申请的一个实施例中，所述基于所述运行结果优化所述变分量子电路，包括：
基于所述待复制量子电路对应所述前向传播数据集的运行结果和对应所述反向传播数据集的运行结果更新所述可变参数；
将更新得到的所述可变参数作为新的可变参数；
获取输入的新的原始数据集，以及返回执行步骤所述基于所述可变参数和所述原始数据集确定优化数据集；
在迭代更新预设次数或达到预设计算精度之后，得到优化好的可变参数，基于所述优化好的可变参数确定优化好的变分量子电路。
所述待复制量子电路对应所述前向传播数据集的运行结果，是指将与前向传播数据对应的优化数据输入至待复制量子电路后，待复制量子电路输出的结果。为了方便说明，本申请实施例将待复制量子电路对应所述前向传播数据集的运行结果称为前向传播结果。前向传播结果的具体形式基于待复制量子电路的具体结构而确定，本申请对此不作限定。
所述待复制量子电路对应所述反向传播数据集的运行结果，是指将与反向传播数据对应的优化数据输入至待复制量子电路后，待复制量子电路输出的结果。为了方便说明，本申请实施例将待复制量子电路对应所述反向传播数据集的运行结果称为反向传播结果。反向传播结果的具体形式基于待复制量子电路的具体结构而确定，本申请对此不作限定。
在本申请提供的上述实施例中，优化数据集包括2条与前向传播数据对应的优化数据，以及16条与反向传播数据对应的优化数据，N的取值为18，因此，应当将2条与前向传播数据对应的优化数据分别输入至2个待复制量子电路中，得到2个待复制量子电路分别输出的2个前向传播结果，并将16条与反向传播数据对应的优化数据分别输入至16个待复制量子电路中，得到16个待复制量子电路分别输出的16个反向传播结果。
下面对基于待复制量子电路对应前向传播数据集的运行结果和对应反向传播数据集的运行结果更新所述可变参数的方法进行进一步说明。
基于以下公式计算可变参数wj关于第e条原始数据的梯度：
其中，wj表示第j个可变参数；表示参数wj关于第e条原始数据的梯度；j的最大值为可变参数的数量，e＝1，2，...，m。
表示将可变参数wj与第e条原始数据对应的第五反向传播数据输入至待复制量子电路后，待复制量子电路输出的反向传播结果，所述可变参数wj与第e条原始数据对应的第五反向传播数据，是指将第e条原始数据对应的前向传播数据中第j个可变参数加/>后得到的反向传播数据；
表示将可变参数wj与第e条原始数据对应的第六反向传播数据输入至待复制量子电路后，待复制量子电路输出的反向传播结果，所述可变参数wj与第e条原始数据对应的第六反向传播数据，是指将第e条原始数据对应的前向传播数据中第j个可变参数减/>后得到的反向传播数据。
例如，可变参数w1与图3所示原始数据集中的第2条原始数据|X21 X22|对应的第五反向传播数据为第三反向传播数据集中的第三反向传播数据对应的第六反向传播数据为第三反向传播数据集中的第三反向传播数据/>
计算得到可变参数wj关于每一条原始数据的梯度后，可以对m个梯度值进行平均或加权平均运算，得到参数wj关于原始数据集的梯度/>
基于每一个可变参数关于原始数据集的梯度、反向传播结果以及前向传播结果，可以采用多种方法对可变参数进行更新，例如Adam算法、Adagrad算法等，本申请对基于梯度值更新参数的方法不作限制，应根据实际需要选取。
对可变参数进行更新后，可以将更新后的可变参数作为新的可变参数，并获取新的原始数据集，基于新的原始数据集和新的可变参数确定新的优化数据集，将新的优化数据集输入至N个待复制量子电路，并运行N个待复制量子电路，基于运行结果更新可变参数。多次重复本申请实施例提供的上述方法，直至对可变参数更新预设次数，或者可变参数的值可以满足变分量子电路的计算精度要求，并将最后一次更新得到的可变参数值作为优化好的可变参数。
所述基于优化好的可变参数确定优化好的变分量子电路，是指将优化好的可变参数作为原始量子程序中变分量子电路中对应的可变参数。
在本申请实施例中，每更新一次可变参数后，均需要获取新的原始数据集，并将更新后的可变参数加入新的原始数据集中，得到新的前向传播数据集，用于进行下一轮的可变参数更新，在每一次的迭代过程中，不仅可变参数得到更新，获取的原始数据集也是全新的，这是因为如果反复使用相同的数据集来更新可变参数，就会过拟合(overfitting)训练数据，导致泛化能力不佳，并且容易受到数据误差的影响，在实际应用中对新数据的预测效果变得较差。每轮训练都使用全新的数据集来更新可变参数，可以避免这种情况，减少过拟合，提高模型的泛化能力，避免数据误差，提高变分量子电路的性能。
参见图7，图7为本申请实施例提供的一种变分量子电路优化方法的流程示意图，下面以图7为例，对本申请实施例提供的一种变分量子电路优化方法的流程进行描述：
获取输入的原始数据集和原始量子程序。
原始量子程序包括变分量子电路，识别原始量子程序中的可变参数，并在变分量子电路中插入标识符，得到待复制量子电路。
在原始数据集中的每一条原始数据中加入可变参数，得到前向传播数据集，并对前向传播数据集进行进一步处理，得到反向传播数据集，反向传播数据集中的数据由其对应前向传播数据中的一个元素加π/2或减π/2得到。
将前向传播数据集和反向传播数据集作为优化数据集，优化数据集包括N条优化数据。
将待复制量子电路复制N个，得到N个待复制量子电路，将优化数据集中的N条优化数据分别输入至N个待复制量子电路中，运行N个待复制量子电路，得到N个待复制量子电路输出的前向传播结果和反向传播结果。
对反向传播结果进行计算，得到可变参数关于原始数据的梯度，并基于前向传播结果、反向传播结果和可变参数关于原始数据的梯度更新可变参数值。
将更新后的可变参数值作为新的可变参数，获取输入的新的原始数据集，基于新的原始数据集和新的可变参数确定新的优化数据集，将新的优化数据集输入至N个待复制量子电路，并运行N个待复制量子电路，基于运行结果更新可变参数。重复上述过程，直至更新达到预设次数或可变参数的值满足精度要求，将最后一次更新得到的可变参数值作为优化好的可变参数。
将优化好的可变参数作为变分量子电路的可变参数。
参见图8，图8为本申请实施例提供的一种变分量子电路的优化装置的结构示意图，与图2所示的流程相对应，所述装置包括：
获取模块801，用于获取输入的原始量子程序和原始数据集，所述原始量子程序包括变分量子电路，所述变分量子电路具有可变参数；
确定模块802，用于基于所述变分量子电路确定待复制量子电路，以及基于所述可变参数和所述原始数据集确定优化数据集，所述优化数据集包括N条优化数据；
电路复制模块803，用于将所述待复制量子电路复制N个，得到N个所述待复制量子电路，每个所述待复制量子电路对应输入一条所述优化数据；
运行与优化模块804，用于运行N个所述待复制量子电路，得到运行结果；以及基于所述运行结果优化所述变分量子电路。
可选的，所述基于所述变分量子电路确定待复制量子电路，包括：
识别所述变分量子电路中的可变参数；
在所述变分量子电路中插入标识符，得到待复制量子电路，所述标识符表示所述可变参数及所述可变参数的索引。
可选的，所述原始数据集包括m条原始数据，所述基于所述可变参数和所述原始数据集确定优化数据集，包括：
在每条所述原始数据中加入所述可变参数，得到前向传播数据集，每条前向传播数据包括p个元素；
基于所述前向传播数据集确定p个反向传播数据集，每个所述反向传播数据集包括2m条反向传播数据，每条反向传播数据由其对应的前向传播数据中的一个元素加π/2或减π/2得到；
将所述前向传播数据集和p个所述反向传播数据集作为优化数据集，所述N＝(2p+1)m。
可选的，所述运行N个所述待复制量子电路之前，所述方法还包括：
基于N和计算节点数量确定每个计算节点待运行的所述待复制量子电路。
可选的，所述基于N和计算节点数量确定每个计算节点待运行的所述待复制量子电路，包括：
将第i个所述待复制量子电路分配至第i％k个计算节点上，以确定每个计算节点待运行的所述待复制量子电路，其中，％为取余运算，k是计算节点数量，i＝1，2，...，N。
可选的，所述运行N个所述待复制量子电路，包括：
在每个计算节点上运行每个计算节点对应的所述待复制量子电路。
可选的，所述基于所述运行结果优化所述变分量子电路，包括：
基于所述待复制量子电路对应所述前向传播数据集的运行结果和对应所述反向传播数据集的运行结果更新所述可变参数；
将更新得到的所述可变参数作为新的可变参数；
获取输入的新的原始数据集，以及返回执行步骤所述基于所述可变参数和所述原始数据集确定优化数据集；
在迭代更新预设次数或达到预设计算精度之后，得到优化好的可变参数，基于所述优化好的可变参数确定优化好的变分量子电路。
本申请实施例还提供了一种存储介质，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
具体的，在本实施例中，上述存储介质可以包括但不限于：U盘、只读存储器(Read－Only Memory，简称为ROM)、随机存取存储器(Random Access Memory，简称为RAM)、移动硬盘、磁碟或者光盘等各种可以存储计算机程序的介质。
本申请的再一实施例还提供了一种电子装置，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行上述任一项中方法实施例中的步骤。
具体的，上述电子装置还可以包括传输设备以及输入输出设备，其中，该传输设备和上述处理器连接，该输入输出设备和上述处理器连接。
具体的，在本实施例中，上述处理器可以被设置为通过计算机程序执行以下步骤：
S1，获取输入的原始量子程序和原始数据集，所述原始量子程序包括变分量子电路，所述变分量子电路具有可变参数；
S2，基于所述变分量子电路确定待复制量子电路，以及基于所述可变参数和所述原始数据集确定优化数据集，所述优化数据集包括N条优化数据；
S3，将所述待复制量子电路复制N个，得到N个所述待复制量子电路，每个所述待复制量子电路对应输入一条所述优化数据；
S4，运行N个所述待复制量子电路，得到运行结果；以及基于所述运行结果优化所述变分量子电路。
具体的，本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例，本实施例在此不再赘述。
以上依据图式所示的实施例详细说明了本申请的构造、特征及作用效果，以上所述仅为本申请的较佳实施例，但本申请不以图面所示限定实施范围，凡是依照本申请的构想所作的改变，或修改为等同变化的等效实施例，仍未超出说明书与图示所涵盖的精神时，均应在本申请的保护范围内。

Claims (10)

1.一种变分量子电路的优化方法，其特征在于，所述方法包括：
获取输入的原始量子程序和原始数据集，所述原始量子程序包括变分量子电路，所述变分量子电路具有可变参数；
基于所述变分量子电路确定待复制量子电路，以及基于所述可变参数和所述原始数据集确定优化数据集，所述优化数据集包括N条优化数据；
将所述待复制量子电路复制N个，得到N个所述待复制量子电路，每个所述待复制量子电路对应输入一条所述优化数据；
运行N个所述待复制量子电路，得到运行结果；以及基于所述运行结果优化所述变分量子电路。
2.如权利要求1所述的方法，其特征在于，所述基于所述变分量子电路确定待复制量子电路，包括：
识别所述变分量子电路中的可变参数；
在所述变分量子电路中插入标识符，得到待复制量子电路，所述标识符表示所述可变参数及所述可变参数的索引。
3.如权利要求1所述的方法，其特征在于，所述原始数据集包括m条原始数据，所述基于所述可变参数和所述原始数据集确定优化数据集，包括：
在每条所述原始数据中加入所述可变参数，得到前向传播数据集，每条前向传播数据包括p个元素；
基于所述前向传播数据集确定p个反向传播数据集，每个所述反向传播数据集包括2m条反向传播数据，每条反向传播数据由其对应的前向传播数据中的一个元素加π/2或减π/2得到；
将所述前向传播数据集和p个所述反向传播数据集作为优化数据集，所述N＝(2p+1)m。
4.如权利要求1所述的方法，其特征在于，所述运行N个所述待复制量子电路之前，所述方法还包括：
基于N和计算节点数量确定每个计算节点待运行的所述待复制量子电路。
5.如权利要求4所述的方法，其特征在于，所述基于N和计算节点数量确定每个计算节点待运行的所述待复制量子电路，包括：
将第i个所述待复制量子电路分配至第i％k个计算节点上，以确定每个计算节点待运行的所述待复制量子电路，其中，％为取余运算，k是计算节点数量，i＝1，2，...，N。
6.如权利要求5所述的方法，其特征在于，所述运行N个所述待复制量子电路，包括：
在每个计算节点上运行每个计算节点对应的所述待复制量子电路。
7.如权利要求3所述的方法，其特征在于，所述基于所述运行结果优化所述变分量子电路，包括：
基于所述待复制量子电路对应所述前向传播数据集的运行结果和对应所述反向传播数据集的运行结果更新所述可变参数；
将更新得到的所述可变参数作为新的可变参数；
获取输入的新的原始数据集，以及返回执行步骤所述基于所述可变参数和所述原始数据集确定优化数据集；
在迭代更新预设次数或达到预设计算精度之后，得到优化好的可变参数，基于所述优化好的可变参数确定优化好的变分量子电路。
8.一种变分量子电路的优化装置，其特征在于，所述装置包括：
获取模块，用于获取输入的原始量子程序和原始数据集，所述原始量子程序包括变分量子电路，所述变分量子电路具有可变参数；
确定模块，用于基于所述变分量子电路确定待复制量子电路，以及基于所述可变参数和所述原始数据集确定优化数据集，所述优化数据集包括N条优化数据；
电路复制模块，用于将所述待复制量子电路复制N个，得到N个所述待复制量子电路，每个所述待复制量子电路对应输入一条所述优化数据；
运行与优化模块，用于运行N个所述待复制量子电路，得到运行结果；以及基于所述运行结果优化所述变分量子电路。
9.一种存储介质，其特征在于，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行所述权利要求1至7任一项中所述的方法。
10.一种电子装置，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行所述权利要求1至7任一项中所述的方法。
CN202310792387.8A 2023-06-29 2023-06-29 一种变分量子电路的优化方法、装置、介质及电子装置 Pending CN116894494A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310792387.8A CN116894494A (zh) 2023-06-29 2023-06-29 一种变分量子电路的优化方法、装置、介质及电子装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310792387.8A CN116894494A (zh) 2023-06-29 2023-06-29 一种变分量子电路的优化方法、装置、介质及电子装置

Publications (1)

Publication Number Publication Date
CN116894494A true CN116894494A (zh) 2023-10-17

Family

ID=88310191

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310792387.8A Pending CN116894494A (zh) 2023-06-29 2023-06-29 一种变分量子电路的优化方法、装置、介质及电子装置

Country Status (1)

Country Link
CN (1) CN116894494A (zh)

Similar Documents

Publication Publication Date Title
Kaveh et al. Metaheuristics: outlines, MATLAB codes and examples
CN111052122B (zh) 模拟量子电路
Da Silva et al. Parallel implementation of reinforcement learning Q-learning technique for FPGA
US20190130268A1 (en) Tensor radix point calculation in a neural network
Xia et al. A high-performance cellular automata model for urban simulation based on vectorization and parallel computing technology
CN111914378B (zh) 一种单振幅量子计算模拟方法及装置
Denning The Science of Computing: What is computer science?
CN111915011B (zh) 一种单振幅量子计算模拟方法
Valencia-Cabrera et al. Simulation challenges in membrane computing
Jankov et al. Declarative recursive computation on an RDBMS: or, why you should use a database for distributed machine learning
US20190130276A1 (en) Tensor manipulation within a neural network
Pelikan et al. Genetic algorithms
US20240020536A1 (en) Processor architecture and model exploration system for deep learning
Raman et al. Scaling multinomial logistic regression via hybrid parallelism
Wang et al. Auto-MAP: A DQN framework for exploring distributed execution plans for DNN workloads
WO2019089553A1 (en) Tensor radix point calculation in a neural network
CN113128015A (zh) 预估单振幅模拟量子计算所需资源的方法和系统
Zhu et al. A variation-aware quantum circuit mapping approach based on multi-agent cooperation
CN116894494A (zh) 一种变分量子电路的优化方法、装置、介质及电子装置
Friese et al. Towards efficient resource allocation for distributed workflows under demand uncertainties
Mascaro et al. A flexible method for parameterizing ranked nodes in Bayesian networks using Beta distributions
Cabarle et al. An improved GPU simulator for spiking neural P systems
Mohanta et al. Parallel scalable simulations of biological neural networks using TensorFlow: a beginner's guide
CN116579437B (zh) 一种量子线路训练方法、装置、存储介质及电子装置
CN117829299A (zh) 一种量子电路模拟方法、装置、介质及电子装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination